Ứng dụng mô hình mạng nơ-ron nhân tạo trong định giá căn hộ: Nghiên cứu tại TP. Hồ Chí Minh

Phạm Quốc Hải (Tác giả liên hệ)

Email: haipq@uef.edu.vn

Vũ Nguyễn Phương Uyên

Trường Đại học Kinh tế - Tài chính Thành phố Hồ Chí Minh

Nguyễn Huỳnh Đức Khoa; Linghome & SMEs

Phạm Đặng Ngọc Hân; Trường Đại học Nguyễn Tất Thành

Tóm tắt

Nghiên cứu đánh giá ảnh hưởng của các yếu tố đến giá căn hộ chung cư tại TP. Hồ Chí Minh, sử dụng phương pháp mạng nơ-ron nhân tạo (ANN). Dữ liệu nghiên cứu gồm 532 mẫu căn hộ được thu thập từ website batdongsan.com (giai đoạn 2023-2025). Các biến được phân tích bao gồm: Vị trí, Khoảng cách đến đường chính, Phân hạng, Diện tích, Số phòng ngủ, Số lượng nhà vệ sinh, Tuổi căn hộ, Tình trạng pháp lý, Nội thất, Hướng ban công, Uy tín chủ đầu tư và Tiện ích nội khu. Kết quả cho thấy ANN có độ chính xác vượt trội, khẳng định tính hiệu quả của ANN trong dự báo giá bất động sản. Nghiên cứu cũng nhấn mạnh tiềm năng ứng dụng ANN trong định giá, đồng thời chỉ ra các thách thức về thu thập và cập nhật dữ liệu tại Việt Nam.

Từ khóa: ANN, căn hộ, định giá hàng loạt, giá căn hộ, mạng nơ-ron nhân tạo

Abstract

This study examines the factors influencing apartment prices in Ho Chi Minh City, using an Artificial Neural Network (ANN) approach. The dataset comprises 532 apartment observations collected from the Batdongsan.com website during the 2023–2025 period. The explanatory variables include location, distance to the main road, apartment classification, floor area, number of bedrooms, number of bathrooms, apartment age, legal status, interior condition, balcony orientation, developer reputation, and on-site amenities. The results demonstrate that the ANN model achieves superior predictive accuracy, confirming its effectiveness in real estate price forecasting. The findings also highlight the considerable potential of ANN for mass property appraisal while emphasizing the challenges associated with data collection and continuous data updates in the Vietnamese real estate market.

Keywords: ANN, apartment, apartment price, mass appraisal, Artificial Neural Network

GIỚI THIỆU

Trong bối cảnh thị trường bất động sản tại TP. Hồ Chí Minh đang trải qua nhiều biến động, việc thẩm định giá căn hộ trở thành một nhu cầu cấp thiết, đóng vai trò then chốt trong việc đảm bảo tính minh bạch, ổn định và hiệu quả cho các giao dịch. Các báo cáo từ Batdongsan.com.vn và CBRE Việt Nam cho thấy, dù thanh khoản có xu hướng giảm tại một số thời điểm, song giá căn hộ trung cấp và cao cấp vẫn tiếp tục tăng (Vi Anh, 2024). Cùng lúc đó, nguồn cung lại chưa đáp ứng được nhu cầu thực tế của phần đông đại chúng. Theo dữ liệu từ Savills Việt Nam, thị trường bất động sản TP. Hồ Chí Minh trong suốt 5 năm qua chưa đáp ứng được một nửa nhu cầu tự nhiên về nhà ở (Vi Anh, 2024). Trong bối cảnh này, việc thẩm định giá giúp các bên - từ người mua, nhà đầu tư đến cơ quan quản lý - xác định đúng giá trị tài sản, từ đó đưa ra quyết định phù hợp, giảm thiểu rủi ro tài chính và tăng cường hiệu quả đầu tư.

Về mặt học thuật, nhiều phương pháp đã được áp dụng trong định giá bất động sản, trong đó phổ biến nhất là mô hình Hedonic (HM) và mạng nơ-ron nhân tạo (ANN). Các nghiên cứu quốc tế cho thấy ANN có khả năng khắc phục những hạn chế của HM, đặc biệt trong việc xử lý dữ liệu phi tuyến tính, không đồng nhất và có mức độ phức tạp cao. Do đó, việc nghiên cứu ứng dụng ANN trong bối cảnh thị trường căn hộ TP. Hồ Chí Minh được kỳ vọng mang lại cách tiếp cận mới, nâng cao độ chính xác trong định giá căn hộ hàng loạt.

Nghiên cứu này tập trung xác định các yếu tố ảnh hưởng đến giá căn hộ, mức độ tác động của từng yếu tố và đánh giá khả năng dự báo của mô hình ANN. Dữ liệu nghiên cứu gồm 532 căn hộ được niêm yết trên Batdongsan.com.vn trong giai đoạn 2023-2025, với các biến đầu vào như: Vị trí, Diện tích, Tiện ích, Tình trạng pháp lý và các đặc điểm liên quan. Đóng góp chính của nghiên cứu là đề xuất mô hình định giá ứng dụng trí tuệ nhân tạo (AI) phù hợp với đặc thù thị trường TP. Hồ Chí Minh, qua đó hỗ trợ công tác thẩm định giá, ra quyết định đầu tư và quản lý thị trường bất động sản theo hướng minh bạch và bền vững.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết và giả thuyết nghiên cứu

Mô hình ANN

ANN là mô hình tính toán mô phỏng quá trình học của não người thông qua mạng lưới các nơ-ron nhân tạo thực hiện chức năng tương tự tế bào thần kinh sinh học. Cấu trúc ANN gồm 3 lớp chính: đầu vào, ẩn và đầu ra, hoạt động dựa trên các liên kết có trọng số để truyền và xử lý thông tin. ANN có khả năng học từ dữ liệu đầu vào mà không cần xây dựng mô hình lý thuyết ban đầu, nhờ khả năng tự điều chỉnh trọng số và độ chệch trong quá trình huấn luyện, đặc biệt hiệu quả trong mô hình hóa các mối quan hệ phi tuyến (Wang và Li, 2019). Một dạng phổ biến là multi-layer perceptron (MLP). ANN được ứng dụng rộng rãi trong nhiều lĩnh vực, như dự đoán giá cổ phiếu và bất động sản (Pham và cộng sự, 2022), nhờ tính linh hoạt và hiệu quả trong xử lý dữ liệu phức tạp.

Vị trí

Vị trí căn hộ được đại diện bởi khu vực trung tâm thành phố cùng với các đặc điểm như: mức độ gần trung tâm hay vùng ven, vị trí mặt tiền hay hẻm và khoảng cách đến khu dân cư, công viên, trục đường chính hoặc các tiện ích công cộng (Wittowsky và cộng sự, 2020). Tại Việt Nam, các bằng chứng thực nghiệm tại Hà Nội và TP. Hồ Chí Minh chỉ ra mối quan hệ đồng biến chặt chẽ giữa mức độ gần trung tâm cốt lõi và giá trị căn hộ (Nguyễn và Phùng, 2022; Dương, 2024). Ngoài ra, khả năng tiếp cận các trục đường chính cũng làm gia tăng đáng kể giá trị căn hộ. Các nghiên cứu cho thấy lợi thế mặt tiền giúp tăng giá tại Hà Nội (Dương, 2024; Nguyễn và Phùng, 2022). Các căn hộ chất lượng cao gần đường cao tốc cũng có mức giá cao hơn một cách nhất quán, như được ghi nhận tại Huế (Thanh và cộng sự, 2024). Từ đó, các giả thuyết nghiên cứu được đề xuất như sau:

H1: Giá căn hộ cao hơn tại địa điểm gần trung tâm thành phố.

H2: Giá căn hộ cao hơn khi có khoảng cách gần hơn tới các trục đường chính.

Phân hạng

Thông tư số 31/2016/TT-BXD quy định căn hộ được phân thành 3 hạng A, B và C, dựa trên 4 nhóm tiêu chí: quy hoạch và kiến trúc, hệ thống trang thiết bị kỹ thuật, dịch vụ và hạ tầng xã hội, cũng như chất lượng và công tác vận hành (Bộ Xây dựng, 2016). Bằng chứng gần đây xác nhận mối quan hệ dương giữa chất lượng căn hộ và giá bán. Một nghiên cứu cho thấy căn hộ hạng A/B tại Việt Nam có mức giá cao hơn đáng kể (Nguyễn, 2020). Nghiên cứu của Bailey và cộng sự (2022) cũng phát hiện rằng chất lượng kết cấu và môi trường giải thích phần lớn biến thiên giá tại các thành phố lớn tại Hoa Kỳ. Từ đó, giả thuyết nghiên cứu được đưa ra như sau:

H3: Phân hạng căn hộ cao hơn tương ứng với giá căn hộ cao hơn.

Tuổi đời căn hộ

Căn hộ là tài sản bị khấu hao theo thời gian và cần được cải tạo sau một thời gian sử dụng. Tuy nhiên, việc cải tạo thường gặp nhiều thách thức, dẫn đến mối quan hệ nghịch chiều giữa tình trạng/chất lượng căn hộ và tuổi công trình. Các căn hộ mới thường có giá trị cao hơn nhờ tiện nghi hiện đại và nhu cầu bảo trì thấp hơn. Khi chi phí bảo dưỡng tăng và tình trạng công trình xuống cấp, giá trị trên mỗi mét vuông có xu hướng giảm. Do đó, bằng chứng thực nghiệm nhất quán cho thấy tuổi đời công trình gắn liền với sự suy giảm giá. Duong (2024) xác nhận hệ số âm có ý nghĩa thống kê của biến tuổi công trình tại Hà Nội. Shi và cộng sự (2021) báo cáo rằng mỗi năm tăng thêm làm giảm giá căn hộ tại Thượng Hải khoảng 0,18 CNY/m². Nghiên cứu của Bienert và cộng sự (2023) cho thấy tác động âm đáng kể của tuổi công trình hiệu dụng tại Đức. Từ đó, giả thuyết nghiên cứu được đưa ra như sau:

H4: Căn hộ mới hơn tương ứng với giá căn hộ cao hơn.

Diện tích sàn

Các căn hộ có diện tích lớn mang lại cảm giác thoải mái và linh hoạt, đáp ứng đa dạng nhu cầu, đồng thời gắn liền với mức sống và địa vị cao hơn. Do đó, diện tích sử dụng có mối tương quan dương với giá căn hộ. Bằng chứng thực nghiệm tại nhiều thị trường khác nhau cho thấy tổng diện tích sàn có ảnh hưởng tích cực đến giá căn hộ. Một nghiên cứu tại Costa Rica xác định “diện tích xây dựng” là một trong những biến dự báo quan trọng nhất trong mô hình hồi quy hedonic (Paniagua và cộng sự, 2021). Các nghiên cứu tại Việt Nam cũng xác nhận diện tích sử dụng có tác động dương mạnh và có ý nghĩa thống kê đến giá (Nguyễn và cộng sự, 2020). Tuy nhiên, một số nghiên cứu lưu ý rằng các căn hộ có diện tích lớn thường có giá trên mỗi mét vuông thấp hơn, do chủ đầu tư điều chỉnh đơn giá nhằm tránh tồn kho. Do đó, giả thuyết nghiên cứu được đưa ra như sau:

H5: Diện tích sàn căn hộ lớn hơn tương ứng với giá căn hộ cao hơn.

Số phòng ngủ và phòng tắm

Số phòng ngủ đáp ứng các phân khúc khách hàng khác nhau và tác động dương của biến này đối với giá đã được ghi nhận rộng rãi. Tại TP. Hồ Chí Minh, các mô hình thống kê cho thấy mỗi phòng ngủ bổ sung làm gia tăng đáng kể giá căn hộ (Nguyễn và cộng sự, 2020). Nghiên cứu tại Dhaka đề xuất và xác nhận tác động dương của số phòng ngủ đối với giá nhà ở (Islam và Rahman, 2023). Tương tự, các kết quả từ Tây Ban Nha và Thái Lan cho thấy số phòng ngủ ảnh hưởng tích cực đến cả giá bán và giá thuê căn hộ (Kongsomsaksakul và Chiaravutthi, 2022). Ngoài ra, các mô hình hedonic nhất quán chỉ ra mối quan hệ dương giữa số phòng tắm và giá. Trong nghiên cứu tại Dhaka, phòng tắm cũng được xác định là yếu tố giả định có tác động dương đến giá (Islam và Rahman, 2023) và cả số phòng ngủ lẫn phòng tắm đều được xem là rất quan trọng trong việc hình thành giá tại Tây Ban Nha (Rodríguez và Sánchez, 2020). Từ đó, các giả thuyết được đề xuất như sau:

H6: Số lượng phòng ngủ trong căn hộ nhiều hơn tương ứng với giá căn hộ cao hơn.

H7: Số lượng phòng tắm trong căn hộ nhiều hơn tương ứng với giá căn hộ cao hơn.

Tiện ích nội khu

Sự hiện diện và chất lượng của các tiện ích nội khu đóng vai trò quan trọng trong việc hình thành giá căn hộ trên thị trường nhà ở. Các tiện ích như: hồ bơi, phòng gym, phòng sinh hoạt cộng đồng, sảnh cư dân và khu vui chơi giải trí làm gia tăng sức hấp dẫn của dự án, qua đó tác động tích cực đến giá trị bất động sản. Kết quả được ghi nhận tại TP. Hồ Chí Minh, nơi các tiện ích như phòng gym và hồ bơi tạo ra mức giá cộng thêm đáng kể (Nguyễn, 2020). Ở châu Á, các nghiên cứu tại Bangkok và Trung Quốc tiếp tục khẳng định rằng hệ thống tiện ích nội khu toàn diện ảnh hưởng mạnh đến sở thích người mua và quá trình hình thành giá (Chen và cộng sự, 2020). Từ đó, giả thuyết được đưa ra như sau:

H8: Số lượng nhiều hơn và chất lượng cao hơn của tiện ích căn hộ tương ứng với giá căn hộ cao hơn.

Tình trạng pháp lý

Căn hộ có thể ở dạng hình thành trong tương lai (đang xây dựng, đã hoàn thành phần móng) hoặc đã hoàn thiện. Các căn hộ hoàn thiện cần có giấy chứng nhận quyền sở hữu để xác lập quyền tài sản, song việc cấp giấy này phụ thuộc vào chủ đầu tư và thời gian chờ đợi. Nhiều nghiên cứu ghi nhận mức giá cao hơn đối với các căn hộ có hồ sơ pháp lý rõ ràng. Tại Việt Nam, các căn hộ có giấy chứng nhận thường có giá cao hơn (Nguyễn và Nguyễn, 2020). Tương tự, các phát hiện tại Malaysia cũng cho thấy tác động dương tương tự của tính minh bạch pháp lý đối với giá căn hộ (Lee và Osman, 2021). Từ đó, giả thuyết nghiên cứu được đưa ra như sau:

H9: Căn hộ có tình trạng pháp lý rõ ràng hơn có giá cao hơn.

Uy tín chủ đầu tư

Uy tín của chủ đầu tư là yếu tố then chốt, bảo đảm chất lượng thi công và tiến độ dự án, đồng thời giảm thiểu rủi ro cho người mua. Các chủ đầu tư uy tín có thể định giá cao hơn nhờ niềm tin của thị trường và uy tín có thể được đánh giá thông qua các dự án đã triển khai và phản hồi từ thị trường (Nguyễn và Nguyễn, 2020). Từ đó, giả thuyết được đưa ra như sau:

H10: Uy tín chủ đầu tư cao hơn gắn liền với giá căn hộ cao hơn.

Hướng ban công

Các hướng và tầm nhìn ban công thuận lợi (nhìn ra công viên, hồ hoặc sông) mang lại cảm giác thoáng đãng, dễ chịu và được xem là tích cực về mặt phong thủy. Những đặc điểm này làm gia tăng giá trị căn hộ so với các căn có tầm nhìn bị che khuất. Các nghiên cứu đô thị tại Bắc Kinh (Zhao và Liu, 2024), Tây Ban Nha (Rodríguez và Sánchez, 2020) và Dhaka (Islam và Rahman, 2023) đều xác nhận rằng tầm nhìn thuận lợi có tác động tích cực đến định giá. Từ đó, giả thuyết nghiên cứu được đưa ra như sau:

H11: Hướng ban công thuận lợi hơn gắn liền với giá căn hộ cao hơn.

Nội thất

Các căn hộ được trang bị nội thất đầy đủ giúp người mua tiết kiệm thời gian và công sức. Mức độ hoàn thiện nội thất, từ cơ bản đến đầy đủ hoặc cao cấp, ảnh hưởng trực tiếp đến giá bán. Các căn hộ có nội thất hoàn chỉnh và được thiết kế đồng bộ thường đạt mức giá cao hơn (Nguyễn và Nguyễn, 2020). Từ đó, giả thuyết nghiên cứu được đề xuất như sau:

H12: Nội thất đầy đủ và cao cấp hơn gắn liền với giá căn hộ cao hơn.

Dựa trên cơ sở lý thuyết và các giả thuyết nghiên cứu, nhóm tác giả xây dựng mô hình định giá căn hộ tại TP. Hồ Chí Minh sử dụng ANN như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Nhóm tác giả đề xuất

Phương pháp nghiên cứu

Dữ liệu nghiên cứu được thu thập từ 600 căn hộ tại TP. Hồ Chí Minh thông qua Batdongsan.com.vn trong giai đoạn 2023-2025. Sau khi loại bỏ 68 mẫu thiếu dữ liệu, còn lại 532 mẫu hợp lệ để phân tích. Thông tin thu thập bao gồm: giá, vị trí, diện tích, tiện ích, pháp lý, nội thất, hướng ban công, uy tín nhà thầu và các yếu tố khác nhằm đảm bảo độ chính xác cho mô hình phân tích.

Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế.

KẾT QUẢ NGHIÊN CỨU

Thống kê mô tả

Phân tích thống kê mô tả cho thấy giá căn hộ tại TP. Hồ Chí Minh có sự chênh lệch lớn (Mean = 5.22; Std. Deviation = 2.241). Biến Phân hạng (PH) và Tuổi căn hộ (TU) lần lượt có giá trị trung bình là 1.61 và 1.53, cho thấy phần lớn mẫu thuộc phân khúc cao cấp và có tuổi đời thấp. Biến Số phòng ngủ (PN) có trung vị và mode là 2, phản ánh phổ biến căn hộ 2 phòng ngủ. Tuy nhiên, các biến PN và Số nhà vệ sinh (VS) có độ xiên và độ nhọn cao, chỉ ra sự xuất hiện của vài giá trị ngoại lệ vượt trội. Biến Tình trạng pháp lý (PL) có độ lệch chuẩn thấp (0.466) và khoảng biến thiên hẹp (1), cho thấy sự đồng nhất về pháp lý giữa các căn hộ (Pham và cộng sự, 2022).

Mô hình thẩm định giá căn hộ bằng mô hình ANN

Bảng 1: Kết quả từ mô hình ANN

Test	IN1	IN2	IN3	IN4	IN5	IN6	IN7	IN8	IN9	IN 10	IN 11	IN 12	Result 1	Result 2	Result 3	Result 4	Result 5	Result 6	RANK-ING
No.	DD	KC	PH	TU	DT	PN	VS	PL	NT	BC	UT	TI	Training MSE	Valida-tion MSE	Testing MSE	Train-ing R	Valida-tion R	Testing R	ALL
1	X												4.0448	4.2259	3.6937	0.4496	0.4167	0.4367	V
2	X	X											2.5060	2.6657	2.8429	0.6916	0.6616	0.7363
3	X	X	X										1.4759	1.7964	1.7892	0.8297	0.8301	0.8233
4	X	X	X	X									1.1508	1.3384	1.1712	0.8753	0.8784	0.8626
5	X	X	X	X	X								1.0206	1.0898	0.7832	0.9003	0.8582	0.9186
6	X	X	X	X	X	X							0.7113	1.3329	1.2852	0.9288	0.8378	0.8715
7	X	X	X	X	X	X	X						0.6344	0.7749	1.9343	0.9334	0.9215	0.8157
8	X	X	X	X	X	X	X	X					0.6969	1.4824	1.7707	0.9251	0.8634	0.8457
9	X	X	X	X	X	X	X	X	X				0.7352	1.3521	1.5152	0.9218	0.8622	0.8708
10	X	X	X	X	X	X	X	X	X	X			0.8738	2.0707	1.8815	0.9126	0.8131	0.8067
11	X	X	X	X	X	X	X	X	X	X	X		0.2471	1.2969	1.9976	0.9745	0.8660	0.8264
12	X	X	X	X	X	X	X	X	X	X	X	X	0.3675	1.5105	1.4408	0.9633	0.8559	0.8579
13		X											4.4520	4.3554	3.7664	0.3720	0.3600	0.4007	VII
14			X										2.5523	2.6840	2.3764	0.7210	0.6579	0.6681	I
15				X									4.5474	3.6908	4.7184	0.3436	0.3374	0.3094	VIII
16					X								3.3974	3.6306	4.5561	0.5296	0.5169	0.5419	IV
17						X							4.3633	3.0419	4.4945	0.3852	0.4849	0.4388	VI
18							X						4.3986	5.2176	3.7762	0.3389	0.3924	0.3320	IX
19								X					4.8951	4.1165	6.7404	0.0520	0.0994	0.0063	LOẠI
20									X				4.8879	4.7732	5.2074	0.1403	0.0856	0.1372	LOẠI
21										X			5.1265	4.6869	4.7898	0.0648	0.0677	0.0789	LOẠI
22											X		3.3792	3.3305	3.4942	0.5817	0.5463	0.5457	III
23												X	3.7412	3.0292	2.8763	0.5335	0.5358	0.6391	II
24	X	X	X	X	X	X	X				X	X	0.4333	0.8463	0.8543	0.9570	0.9129	0.9115	FINAL

Nguồn: Kết quả xử lý dữ liệu

Dữ liệu nghiên cứu được chia thành 3 tập: tập huấn luyện với 370 quan sát, tập tối ưu và tập kiểm tra, mỗi tập gồm 80 quan sát, nhằm phục vụ cho quá trình huấn luyện, điều chỉnh và đánh giá hiệu suất của mô hình ANN (Pham và cộng sự, 2022). Cách phân chia này giúp đảm bảo mô hình học được các đặc điểm tổng quát và được kiểm nghiệm một cách khách quan trên các tập dữ liệu độc lập.

Trong mô hình thử nghiệm đầu tiên, chỉ sử dụng biến địa điểm (DD), mô hình cho kết quả phương sai sai số trung bình (MSE) dao động từ 3.6937-4.0448 và hệ số xác định (R) từ 41.67-44,96%. Điều này cho thấy DD có ảnh hưởng nhất định đến giá bán căn hộ.

Khi thêm biến Khoảng cách đến các tuyến đường (KC) vào mô hình 2, MSE giảm rõ rệt xuống từ 2.5060-2.8429, đồng thời R tăng mạnh lên từ 66.16-73.63%. Điều này khẳng định KC là một biến rất quan trọng trong việc cải thiện hiệu suất của mô hình ANN. Thử nghiệm thêm với chỉ biến KC (mô hình 13) cho thấy MSE cao hơn (3.7664-4.4520) và R thấp hơn (36-40.07%), nhưng vẫn khẳng định KC có ảnh hưởng đáng kể.

Khi bổ sung biến Phân hạng (PH) vào mô hình 3 cùng với QN và KC, kết quả càng được cải thiện mạnh mẽ. MSE giảm xuống mức 1.4759-1.7964, trong khi R đạt mức rất cao, từ 82% trở lên. Điều này cho thấy PH có vai trò quan trọng trong việc nâng cao độ chính xác của mô hình. So sánh với mô hình 14 chỉ có PH riêng biệt (MSE: 2.3764-2.6840, R: 65.79-72.1%) cũng khẳng định rằng việc kết hợp PH với các biến khác sẽ nâng cao hiệu quả mô hình hơn là sử dụng đơn lẻ.

Tiếp theo, mô hình 4 đưa thêm biến Tuổi căn hộ (TU) vào bộ biến đầu vào và tiếp tục cho thấy sự cải thiện: MSE giảm còn từ 1.1508-1.3384 và R tăng lên từ 86.26-87.84%. So với mô hình 3, sự cải thiện về MSE là khoảng 0.3 và R tăng khoảng 4%, một bước tiến nhỏ nhưng đáng ghi nhận. Tuy nhiên, khi chỉ dùng TU (mô hình 15), MSE tăng cao (3.6908-4.7184) và R thấp (30.94-34.36%), cho thấy TU không mạnh khi đứng một mình.

Biến Diện tích sàn (DT) được đưa vào mô hình 5, cùng với các biến trước đó, đã giúp mô hình đạt MSE từ 0.7832-1.0898 và R dao động từ 85.82-91.86%, tăng hiệu suất rõ rệt so với mô hình 4. Khi thử nghiệm riêng DT (mô hình 16), MSE cao hơn đáng kể (3.3974-4.5561), trong khi R dao động từ 51.69-54.19%, cho thấy DT cũng là biến có giá trị trong mô hình thẩm định.

Ở mô hình 6, thêm biến Số phòng ngủ (PN) giúp MSE dao động từ 0.7113-1.3329 và R từ 87-90%, tuy nhiên xuất hiện dấu hiệu overfitting (quá khớp) khi hiệu quả giảm trên tập kiểm tra và tối ưu. Thử nghiệm với PN đơn lẻ (mô hình 17) cho thấy MSE khá cao (3.0419-4.4945) và R chỉ đạt 38.52-48.49%, cho thấy PN có ảnh hưởng nhưng không quá mạnh khi đứng một mình.

Khi đưa vào biến Số lượng nhà vệ sinh (VS) trong mô hình 7, MSE tiếp tục cải thiện nhẹ trên tập huấn luyện và tối ưu, còn R đạt đến 93.34%, 92.15% và 81.57% tương ứng trên các tập. Mặc dù chỉ thử nghiệm riêng lẻ VS trong mô hình 18 cho kết quả kém hơn (MSE: 3.7762-5.2176, R: 33.2-39.24%), nhưng có thể xác nhận VS vẫn có tác động nhất định.

Đối với biến Tình trạng pháp lý của căn hộ (PL), mô hình 8 có cải thiện nhẹ về hiệu suất so với mô hình 7, với MSE từ 0.69691.7707 và R đạt đến 92.51%, 86.34% và 84.57%. Tuy nhiên, thử nghiệm riêng với PL trong mô hình 19 cho kết quả rất kém (R chỉ từ 5.2-9.94%), nên PL được xem là biến không đáng kể và bị loại khỏi mô hình chính thức.

Khi bổ sung biến Nội thất (NT) vào mô hình 9, MSE tăng ở tập huấn luyện nhưng giảm ở các tập còn lại; tuy nhiên, R lại giảm đồng loạt so với mô hình trước. Thử nghiệm riêng với NT (mô hình 20) càng củng cố nhận định rằng NT không cải thiện hiệu suất mô hình và có thể gây overfitting, dẫn đến việc NT cũng bị loại khỏi mô hình.

Tương tự, biến Hướng ban công (BC) trong mô hình 10 không đem lại cải thiện nào về MSE hay R so với mô hình 9. Khi thử nghiệm riêng biến này (mô hình 21), kết quả cho thấy R rất thấp (6.48-7.89%) và MSE cao (4.6869-5.1265), do đó BC cũng bị loại bỏ khỏi mô hình chính thức.

Một điểm sáng xuất hiện khi biến Uy tín chủ đầu tư (UT) được thêm vào mô hình 11. MSE trên tập huấn luyện giảm mạnh xuống 0.2471, mặc dù MSE trên tập kiểm tra không cải thiện nhiều. R ở tập huấn luyện đạt mức rất cao 97.4% và duy trì ổn định ở các tập khác. Thử nghiệm riêng với UT (mô hình 22) cũng cho thấy R khá cao (54.57-58.17%), khẳng định UT là một trong những biến quan trọng nhất, xếp thứ ba trong các yếu tố ảnh hưởng.

Cuối cùng, mô hình 12 bổ sung thêm Tiện ích nội khu (TI) cho thấy sự cải thiện đáng kể, đặc biệt trên tập kiểm tra. MSE dao động từ 0.3675-1.5105 và R từ 85.59- 96.33%. Khi thử nghiệm riêng biến TI (mô hình 23), MSE dao động trong khoảng 2.8763-3.7412 và R từ 53.35-63.91%, khẳng định TI là yếu tố quan trọng thứ hai sau PH.

Từ các kết quả kiểm tra độc lập, nghiên cứu đã xây dựng bảng xếp hạng mức độ quan trọng của các biến đối với mô hình ANN. Phân hạng căn hộ (PH) được xác định là yếu tố ảnh hưởng mạnh nhất với R từ 65.79-72.1%. Tiếp theo là Tiện ích nội khu (TI) với R từ 53.35-63.91%, Uy tín chủ đầu tư (UT) xếp thứ 3 (R: 54.57-58.17%), Diện tích sàn (DT) thứ 4 (R: 51.69-54.19%) và địa điểm (DD) ở vị trí thứ 5 (R: 41.67-44.96%). Các yếu tố khác bao gồm: Số phòng ngủ (PN), Khoảng cách đến tuyến đường (KC), Tuổi căn hộ (TU) và Số lượng nhà vệ sinh (VS) lần lượt xếp ở các vị trí tiếp theo. Những biến như Tính pháp lý (PL), Nội thất (NT) và Hướng ban công (BC) tuy được kiểm tra nhưng không cho thấy đóng góp đáng kể vào hiệu suất mô hình và đã bị loại khỏi mô hình chính thức. Dựa trên thử nghiệm các yếu tố riêng lẻ, nghiên cứu xác định thứ hạng các yếu tố ảnh hưởng đến hiệu suất mô hình ANN như Bảng 2.

Bảng 2: Xếp hạng các yếu tố ảnh hưởng đến mô hình ANN

PH	72.10%	65.79%	66.81%	I
TI	53.35%	53.58%	63.91%	II
UT	58.17%	54.63%	54.57%	III
DT	52.96%	51.69%	54.19%	IV
DD	44.96%	41.67%	43.67%	V
PN	38.52%	48.49%	43.88%	VI
KC	37.20%	36.00%	40.07%	VII
TU	34.36%	33.74%	30.94%	VIII
VS	33.89%	39.24%	33.20%	IX
PL	5.20%	9.94%	0.63%	LOẠI
NT	14.03%	8.56%	13.72%	LOẠI
BC	6.48%	6.77%	7.89%	LOẠI

Nguồn: Kết quả xử lý dữ liệu

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết luận

Nghiên cứu phân tích các yếu tố ảnh hưởng đến mô hình thẩm định giá hàng loạt căn hộ tại TP. Hồ Chí Minh bằng mô hình ANN cho thấy ANN là công cụ dự báo giá bất động sản có hiệu quả vượt trội. Kết quả thực nghiệm cho thấy mô hình ANN đạt độ chính xác 94.33%, qua đó khẳng định tiềm năng ứng dụng AI trong lĩnh vực thẩm định giá căn hộ tại Việt Nam. Các yếu tố dự báo quan trọng được xác định bao gồm: Phân hạng căn hộ, Tiện ích nội khu, Uy tín chủ đầu tư, Diện tích sàn, Địa điểm, Số phòng ngủ, Khoảng cách đến đường lớn, Tuổi căn hộ và Số lượng nhà vệ sinh. Trong đó, Phân hạng căn hộ, Tiện ích nội khu, Uy tín chủ đầu tư và Diện tích sàn là những yếu tố có mức độ tác động mạnh nhất đến giá, phản ánh đúng đặc thù và hành vi của thị trường căn hộ TP. Hồ Chí Minh hiện nay. Ngược lại, các biến Pháp lý, Nội thất và Hướng ban công không cho thấy tác động có ý nghĩa thống kê trong mô hình ANN.

Hàm ý quản trị

Từ kết quả trên, nghiên cứu đưa ra một số hàm ý quản trị quan trọng.

Đối với chủ đầu tư, việc nâng cao phân hạng dự án, chú trọng đầu tư đồng bộ vào hệ thống tiện ích nội khu và xây dựng uy tín thương hiệu có ý nghĩa quyết định trong việc gia tăng giá trị căn hộ và khả năng cạnh tranh trên thị trường. Đối với nhà đầu tư và người mua, mô hình ANN cung cấp một công cụ hỗ trợ định giá khách quan, góp phần giảm thiểu rủi ro và nâng cao chất lượng ra quyết định. Đối với cơ quan quản lý, kết quả nghiên cứu cho thấy tiềm năng ứng dụng các mô hình định giá dựa trên dữ liệu lớn nhằm hỗ trợ công tác quản lý thị trường và hoạch định chính sách.

Tuy nhiên, nghiên cứu cũng thừa nhận một số hạn chế, đặc biệt liên quan đến chất lượng, tính minh bạch và mức độ cập nhật của dữ liệu bất động sản tại Việt Nam. Do đó, để ANN có thể được ứng dụng rộng rãi và hiệu quả hơn trong thực tiễn, cần đồng thời cải thiện hệ thống cơ sở dữ liệu, tăng cường năng lực công nghệ và thúc đẩy sự thay đổi trong tư duy thẩm định giá theo hướng hiện đại, dựa trên dữ liệu và AI.

Tài liệu tham khảo:

1. Bailey, J., Lauria, D., & Lindquist, W. (2022). Hedonic models of real estate prices: GAM and environmental factors. Sustainability, 14(17), 11021. https://doi.org/10.3390/su141711021

2. Bienert, S., Braun, T., & Surmann, M. (2023). Age associated depreciation and the impact of effective age on property values: Evidence from Germany. Review of Regional Research. https://doi.org/10.1007/s10037-024-00210-2

3. Bộ Xây dựng (2016). Thông tư 31/2016/TT-BXD ngày 30/12/2016 quy định việc phân hạng và công nhận hạng nhà chung cư.

4. Chen, X., Liu, G., & Wang, Z. (2020). Spatial hedonic price analysis of urban residential properties in China. Journal of Housing and the Built Environment, 35(4), 1031-1051. https://doi.org/10.1007/s10901-020-09712-3

5. Dương, H. (2024). Application of the hedonic pricing model to real estate valuation in Hanoi, Vietnam. World Journal of Advanced Research and Reviews, 24(2), 1908-1915. https://doi.org/10.30574/wjarr.2024.24.2.3458

6.Islam, M., & Rahman, M. (2023). Housing price determinants in a developing megacity: A hedonic pricing model analysis in Dhaka, Bangladesh. Journal of Property Research, 40(1), 22-41. https://doi.org/10.1080/09599916.2023.2134567

7. Kongsomsaksakul, S., & Chiaravutthi, Y. (2022). Determinants of condominium prices in Bangkok: An application of the hedonic pricing model. International Journal of Housing Markets and Analysis, 15(3), 545-561. https://doi.org/10.1108/IJHMA-10-2021-0148

8. Lee, M., & Osman, R. (2021). Legal title clarity and its effect on condominium market value in Kuala Lumpur. Malaysian Journal of Real Estate Research, 15(1), 33-50.

9. Nguyễn, H., & Phùng, D. (2022). Approach to hedonic model and analyzing factors affecting real estate prices in Hanoi. Maths Journal, 7(48), 101-104. https://doi.org/10.22271/maths.2022.v7.i4b.849

10. Nguyễn, M. (2020). The hedonic pricing model applied to the housing market. International Journal of Economics, Business and Applications, 8(3), 416-428.

11. Nguyễn, M. H., Phan, Q. H., Trần, V. T., & Trần, K. V. T. (2020). The Hedonic Method in Evaluating Apartment Price: A Case of Ho Chi Minh City, Vietnam. The Journal of Asian Finance, Economics and Business, 7, 517-524. https://doi.org/10.13106/jafeb.2020.vol7.no6.517

12. Nguyễn, T., & Nguyễn, T. (2020). The factors affecting customers' decision to buy apartments at Dat xanh Group Joint stock company in Ho Chi Minh city. Tap chi Khoa hoc va Cong nghe, 46.

13. Paniagua, M., Solórzano, T., González, B., & Barboza, N. (2021). Hedonic Price for Amenities in Rural and Urban Residential Condominiums in Costa Rica," Real Estate Management and Valuation. Sciendo, 29(3), 52-64.

14. Pham, Q., Ho, D., Khandaker, S., & Tran, A. (2022). Investigating the effects of Accounting Law on the Credit Rating Models using Artificial Neural Networks: A study in Vietnam. Advances in Decision Sciences, 26(4), 1-32.

15. Rodríguez, J., & Sánchez, R. (2020). The influence of housing characteristics on rental prices in Spain: A hedonic pricing approach. Housing Studies, 35(7), 1129-1149. https://doi.org/10.1080/02673037.2019.1639633

16. Shi, H., Xu, H., & Zhang, L. (2021). Hedonic pricing of houses in megacities pre and post COVID 19: Shanghai case study. Sustainability, 14(17), 11021. https://doi.org/10.3390/su141711021

17. Vi Anh (2024). Giá cản hộ tại TP. HCM diễn biến ra sao? https://diendandoanhnghiep.vn/gia-can-ho-tai-tp-hcm-se-dien-bien-ra-sao-10131900.html

18. Wang, D., & Li, V. (2019). Mass appraisal models of real estate in the 21st century: A systematic literature review. Sustainability, 11(24), 7006.

19. Wittowsky, D., Hoekveld, J., Welsch, J., & Steier, M. (2020). Residential housing prices: Impact of housing characteristics, accessibility and neighbouring apartments–a case study of Dortmund, Germany. Urban, Planning and Transport Research, 8(1), 44-70.

20. Zhao, H., & Liu, Y. (2024). Valuation effects of scenic views in high-density cities: Evidence from Beijing. Cities, 144, 104398. https://doi.org/10.1016/j.cities.2023.104398

Ngày nhận bài: 10/5/2026; Ngày hoàn thiện biên tập: 25/62026; Ngày duyệt đăng: 12/7/2026